ICLR 2017-RL2: Fast Reinforcement Learning via Slow Reinforcement Learning

Key

GRUs+TRPO+GAE

解决的主要问题

• 现有RL方法需要手动设置特定领域的算法
• DRL学习的过程需要大量的试验牺牲了高样本复杂度（每个task需要数万次经验），相比人来说，这是由于缺乏先验知识（agent每次都需要从新建立关于MDP的相关知识信息）

---

文章内容

• Introduction

 贝叶斯RL将先验知识纳入学习过程，但是贝叶斯更新的精确计算在所有情况下都是非常困难的。

 提出算法的思想：agent本身的学习过程视为一个目标，可以使用标准的强化学习算法进行优化。目标是根据特定的分布对所有可能的mdp进行平均，即提取到代理中的先验信息。将agent结构为一个循环神经网络，它的内部状态在各个episode中都被保留了下来，因此它有能力在自己的隐藏激活中进行学习。因此，学习agent也充当了学习算法，在部署时能够适应手头的任务。

• Method

  • Formulation
    
     采样MDPs分布，与env交互；agent在每个task中交互n个episode，在训练每个task的时候，每条episode的隐含层信息会保留到下一条，但是两次trail之间（两个不同的MDP）不会保留。[a trail ：固定MDP中，agent与env交互n个回合（episode）]
    
    objective：最大化每个trail的预期累积总折扣奖励r，而不是每条episode
    
    

  trail 1→policy 1
  
  input：st+1，at，rt，dt
  
  output：at+1，ht+2 （policy根据ht+1的隐藏层信息进行的输出）
  
  底层MDP在不同的试验中变化，只要不同的MDP需要不同的策略，agent必须根据其当前所处的MDP的belief采取不同的行动。因此，agent被迫整合它收到的所有信息，并不断调整其策略。

  • policy表示：
    
    门控制循环单位(GRUs)，为了缓解由于梯度的消失和爆炸而导致的训练rnn的困难
  • policy优化：
    
    使用标准的现成RL算法来优化策略（因为任务定义为强化学习问题），使用Trust Region的一阶实现政策优化(TRPO)，因为其优秀的经验性能，因为它不需要过多的超参数调优。
    
    添加两个减少随机梯度估计中的方差方法：①使用了一个基线：一个使用gru作为构建块的RNN。②应用广义优势估计(GAE)

• Evaluation

  1.problem：

  • RL2能够学习在具有特殊结构的MDP类上取得良好性能的算法吗
  • 是否可以扩展到高维任务

  2.文章分别在多臂赌博机、表格MDPs、可视化航行中进行了评估

  • 多臂赌博机
    
     在k=50和n=500的时候，RL2表现大不如Gittns，作者认为是轨迹探索的问题，因为它通过用Gittns获得轨迹进行元学习后，发现会达到Gittns一样好的相似结果。所以，该框架还有不足，应该还能改进更好的RL算法
  • 表格MDPs
    
     实验结果出现了在n越小的时候（即少量episode），RL2表现的更为优越了。作者认为出现这种情况是因为在n很小的时候，还有没有足够的样本来学习以至于不能形成一个很好的估计，所以小n的优势来自于需要更多积极的exploitation
    
    ？？？【but作者说，通过在这种设置下直接优化RNN，该方法应该能够应对这种样本短缺，相比于参考算法能够更快地决定 exploit。so？n越大效果比之前不好了，这是好还是坏？】
  • 可视化航行
    
     在迷宫探索中，agent进行前两个episode之间的轨迹长度都有显著的缩短，即前两个episode就能进行有效的探索以及适应，这说明agent已经学会如何使用过去信息。
    
     but问题是agent偶尔会忘记target在哪，并且在第二个episode中继续探索，导致在第二个episode时候需要花费一些不必要地动作。so说明agent并不能完美地利用先验信息，我们期待agent在一个task中第一次episode的时候能够记住target位置，以便于在第二次episode时候能够完美地利用它。

• Discussion

  RL2：“快速”RL算法是一种计算，其状态存储在RNN激活中，RNN的权值由通用的“慢”强化学习算法学习
  
  在实验中，改进RL2的不足:外环强化学习算法被证明是一个直接的瓶颈，策略可能也需要更好的架构
  
  虽然本文方法已经为外循环算法和策略使用了泛型方法和体系结构，但这样做也会忽略底层的情景结构，未来希望利用问题结构的算法和策略架构能够显著提高性能

---

文章方法的优缺点

• 优点

  • RNN的激活存储当前(以前不可见)MDP上的“快速”RL算法的状态

• 缺点

  • 基于上下文的，RL中在处理的时候需要一个完整episode
  • 也不能很好地利用先验信息（RNN不能解决长期依赖问题）

---

Summary

 这篇文章是将agent结构为一个循环神经网络，利用了RNN来提取先验信息，以便于优化model。在评估的时候，虽然表现良好，但是也出现了一些问题，比如探索不足够，忘记target位置...很多问题归结为外环强化学习算法不够强大，需要更好地架构或者算法来改善这些问题。

 我觉得这篇文章的方法和上一篇论文learning to reinforcement learn中提到的方法并没有差别太多。

论文链接

版权归原作者 Lee_ing 所有

未经原作者允许不得转载本文内容，否则将视为侵权;转载或者引用本文内容请注明来源及原作者